刚拿下NeurIPS最佳论文，字节就开源VAR文生图版本，拿下SOTA击败扩散模型

自回归文生图，迎来新王者——

新开源模型Infinity，字节商业化技术团队出品，超越Diffusion Model。

值得一提的是，这其实是从前段时间斩获NeurIPS最佳论文VAR衍生而来的文生图版本。

在预测下一级分辨率的基础上，Infinity用更加细粒度的bitwise tokenizer建模图像空间。同时他们将词表扩展到无穷大，增大了Image tokenizer的表示空间，大大提高了自回归文生图的上限。他们还将模型大小扩展到20B。

结果，不仅在图像生成质量上直接击败了Stabel Diffusion3，在推理速度上，它完全继承了VAR的速度优势，2B模型上比同尺寸SD3快了3倍，比Flux dev快14倍，8B模型上比同尺寸的SD3.5快了7倍。

目前模型和代码都已开源，也提供了体验网站。

来看看具体细节。

自回归文生图新王者

在过去自回归模型和扩散模型的对比中，自回归模型广受诟病的问题是生成图像的画质不高，缺乏高频细节。

在这一背景下，Infinity生成的图像细节非常丰富，还能够生成各种长宽比图像，解掉了大家过去一直疑虑的VAR不支持动态分辨率的问题。

具体性能上面，作为纯粹的离散自回归文生图模型，Infinity在一众自回归方法中一鸣惊人，远远超过了HART、LlamaGen、Emu3等方法。

与此同时，Infinity也超过了SDXL，Stable diffusion3等Diffusion路线的SOTA方法。

人类评测上，用户从画面整体、指令遵循、美感三个方面对于Infinity生成图像和HART、PixArt-Sigma、SD-XL、SD3-Meidum生成图像进行了双盲对比。

其中HART是一个同样基于VAR架构，融合了diffusion和自回归的方法。PixArt-Sigma、SD-XL、SD3-Meidum是SOTA的扩散模型。

Infinity以接近90%的beat rate击败了HART模型。显示了Infinity在自回归模型中的强势地位。

此外，Inifnity以75%、80%、65%的beat rate击败了SOTA的扩散模型如PixArt-Sigma、SD-XL、SD3-Meidum等，证明了Infinity能够超过同尺寸的扩散模型。

那么，这背后具体是如何实现的?

Bitwise Token自回归建模提升了模型的高频表示

大道至简，Infinity的核心创新，就是提出了一个Bitwise Token的自回归框架——

抛弃原有的“Index-wise Token”，用 1或-1构成的细粒度的“Bitwise Token”预测下一级分辨率。

在这个框架下，Infinity表现出很强的scaling特性，通过不断地scaling视觉编码器（Visual Tokenizer）和transformer，获得更好的表现。

在Bitwise Token自回归框架中，关键技术是一个多尺度的比特粒度视觉编码器（Visual Tokenizer）。

它将H×W×3大小的图像编码、量化为多尺度的特征:1×1×d，2×2×d，…，h×w×d。其中d是视觉编码器的维度，每一维是 1或-1。词表的大小是2d。过去的方法中，会继续将d维的特征组合成一个Index-wise Token（索引的范围是0~2d-1，用这个Index-wise Token作为标签进行多分类预测，总共类别是词表大小，即2d。

Index-wise Token存在模糊监督的问题。如下图所示，当量化前的连续特征发生微小扰动后（0.01变成-0.1），Index-wise Token的标签会发生剧烈变化(9变成1)，使得模型优化困难。

而Bitwise Token仅有一个比特标签发生翻转，其他比特标签仍能提供稳定监督。相比于Index-wise Token，Bitwise Token更容易优化。

研究人员在相同的实验设置下对比了Index-wise Token和Bitwise Token。

结果显示，预测Bitwise Token能够让模型学到更细粒度的高频信号，生成图像的细节更加丰富。

无穷大词表扩展了Tokenizer表示空间

从信息论的角度来看，扩散模型采用的连续Visual Tokenizer表示空间无穷大，而自回归模型采用的离散Visual Tokenizer表示空间有限。

这就导致了自回归采用的Tokenizer对于图像的压缩程度更高，对于高频细节的还原能力差。为了提升自回归文生图的上限，研究人员尝试扩大词表以提升Visual Tokenizer的效果。

但是基于Index-wise Token的自回归框架非常不适合扩大词表。基于Index-wise Token的自回归模型预测Token的方式如下图左边所示，模型参数量和词表大小正相关。

当d=32的时候，词表大小为232，预测Index-wise Token的transformer分类器需要有2048×232=8.8×1012=8.8T的参数量!

光一个分类器的参数量就达到了50个GPT3的参数量，这种情况下扩充词表到无穷大显然是不可能的。

研究人员的解决方法简单粗暴，如上图右边所示，丢掉索引，直接预测比特!有了Bitwise Token自回归建模后，研究人员采用d个 1或-1的二分类器，并行地预测下一级分辨率 1或-1的比特标签。做出这样的改变后，参数量一下从8.8T降到了0.13M。所以说，采用Bitwise Token建模自回归后，词表可以无限大了。

有了无限大词表，离散化的Visual Tokenizer落后于连续的问题似乎没有这么严重了:

如上表所示，当词表大小放大到后，离散的视觉编码器在ImageNet上重建的FID居然超过了Stable Diffusion提出的连续的VAE。

从可视化效果来看，无限大词表（Vd=232），相比于小词表，对于高频细节（如上图中的人物眼睛、手指)重建效果有质的提升

Model Scaling稳步提升效果

解决了制约生成效果天花板的视觉编码器的问题后，研究人员开始了缩放词表和缩放模型的一系列实验。

研究发现，对于125M的小模型，使用Vd=216的小词表，相比于Vd=232的大词表，收敛的更快更好。

但是随着模型的增大，大词表的优势逐渐体现出来。当模型增大到2B并且训练迭代超过50K以后，大词表取得了更好的效果。最终Infinity采取Vd=232的大词表，考虑到232已经超过了int32的数值范围，可以认为是无穷大的数，这也是Infinity的命名由来。

总结来看，（无穷）大词表加大模型，加上充分的训练后，效果要明显好于小词表加大模型。

除了scaling词表以外，研究人员还做了对Infinity模型大小的scaling实验。

他们在完全相同的实验设定下比较了125M、361M、940M、2.2B、4.7B五个不同尺寸大小的模型。

可以看到，随着模型的增大和训练资源的增加，验证集损失稳步下降，验证集准确率稳定提升。另外，研究人员发现验证集Loss和各项测试指标存在很强的线性关系，线性相关系数高达0.98。

下图每个九宫格对应同一个提示词在不同模型大小、不同训练步数的生成图像。

从上往下分别是:逐渐增大模型规模，对应125M、1B、5B模型生成的图像。

从左往右分别是模型训练的步数逐渐增多后生成的图像。

我们能明显看出:Infinity有着良好的scaling特性，更大的模型、更多的训练，能够生成语义结构、高频细节更好的图像。

另外Infinity还提出了比特自我矫正技术，让视觉自回归文生图模型具有了自我矫正的能力，缓解了自回归推理时的累计误差问题。

Infinity还能够生成各种长宽比图像，解决了VAR不支持动态分辨率的问题。

下图列出了Infinity和其他文生图模型对比的例子。

可以看到，Infinity在指令遵循，文本渲染、画面美感等方面都具有更好的表现。

除了效果以外，Infinity完全继承了VAR预测下一级分辨率的速度优势，相比于扩散模型在推理速度上具有显著的优势。

2B模型生成1024x1024的图像用时仅为0.8s，相比于同尺寸的SD3-Medium提升了3倍，相比于12B的Flux Dev提升了14倍。8B模型比同尺寸的SD3.5快了7倍。20B 模型生成1024x1024的图像用时3s，比12B的Flux Dev还是要快将近4倍。

目前，在GitHub仓库中，Infinity的训练和推理代码、demo、模型权重均已上线。

Infinity2B和20B的模型都已经开放了网站体验，感兴趣的同学可以试一试效果。

开源地址:https://github.com/FoundationVision/Infinity

项目页面:https://foundationvision.github.io/infinity.project/

体验网站:https://opensource.bytedance.com/gmpt/t2i/invite

—完—